1.2.2　脉冲神经网络

作为另一种重要的神经网络，与广泛使用的人工神经网络相比，SNN没有受到太多关注。对SNN的兴趣主要来自神经科学界。尽管不那么受欢迎，但许多研究人员认为，归功于人工神经网络中携带信息的时空模式，脉冲神经网络比其“兄弟”人工神经网络具有更强大的计算能力。尽管SNN可能更先进，但利用SNN的功能仍然有困难。与ANN相比，SNN的动力学要复杂得多，这使得难以应用简单的分析方法。此外，在传统的通用处理器上有效地实现事件驱动的SNN要困难得多。这也是SNN在计算智能界不如ANN受欢迎的主要原因之一。

在过去的几十年中，智能计算界和神经科学界做了许多努力来开发SNN的学习算法。通过在生物学实验中观察到的神经元的脉冲时间相关可塑性（STDP），提出一种成功的无监督学习规则[11-14]。在典型的STDP协议中，突触权重会根据相对顺序以及突触前和突触后脉冲时间之间的差异进行更新。无监督学习对于发现数据的底层结构很有用，但至少在目前阶段，它不像许多现实应用中的监督学习那么强大。